Крупнейшие сделки по финансированию космической отрасли в 2023 году

Немного зарубежной статистики для желающих предаться анализу.

📊Источник + обновление для декабря 2023 г.

Файл прилагается ⬇️

#справка

Все так, как пишут коллеги: аппараты “Арктика-М” предназначены, в первую очередь, для улучшения качества прогнозов погоды.

Мониторинг Северного морского пути осуществляется спутниками "Метеор-М" № 2. Для наблюдения Земли используются данные приборов МСУ-МР и КМСС. Последний ведет съемку в 6 спектральных каналах видимого и ближнего инфракрасного диапазонов с максимальным пространственным разрешением 50 метров.

Начиная с "Метеор-М" № 2–3, в состав съемочной аппаратуры “Метеоров“ входит бортовой радиолокационный комплекс (БРЛК) “Северянин-М” — радар X-диапазона с низким пространственным разрешением, предназначенный для мониторинга ледовой обстановки и снегового покрова. Ложка дегтя: на запущенном в июне 2023 года "Метеор-М" № 2–3 вышла из строя линия передачи данных сантиметрового диапазона. Поэтому снимков от БРЛК нет и, скорее всего, не будет. Тем не менее, в 2024 году планируется запустить “Метеор-М” № 2–4, а до конца 2025 года должны быть запущены еще два аппарата: Метеор-М № 2–5 и Метеор-М № 2–6.

В январе нынешнего года вступит в строй (возможно, уже вступил) космический радар “Кондор-ФКА“ №1, который позволит вести мониторинг Северного морского пути даже в условиях полярной ночи и облачности. До конца 2025 года должны быть запущены еще два космических аппарата радиолокационного наблюдения: “Кондор-ФКА“ №2 и “Обзор-Р”.

📸 Художественное изображение космического аппарата "Метеор-М" № 2

Методика оценки высоты облачности с использованием данных спутников “Арктика-М”

Продолжаем знакомиться с материалами Двадцать первой международной конференции "Современные проблемы ДЗЗ из космоса" (ИКИ РАН, 13—17.11.2023). Вот любопытный способ применения данных спутников “Арктика-М”, опирающийся на уникальность их орбиты.

В докладе рассмотрена методика расчета верхней границы облачности по стереопаре изображений, полученных с разных космических аппаратов (КА).

Раньше для создания стереопар использовали снимки геостационарного КА и КА на низкой полярной орбите. Такой способ не обеспечивал высокой периодичности измерений, необходимой для мониторинга атмосферных явлений. Еще один способ создания стереопар — по снимкам двух близко стоящих геостационарных КА с большой площадью перекрытия областей наблюдения — не всегда реализуем на практике.
 
Запуск высокоэллиптического КА “Арктика-М” №1 позволил создавать стереопары из снимков геостационарного КА и высокоэллиптического КА. Такая пара обеспечивает высокую периодичность измерений для всего северного полушария и практически гарантированную одновременность наблюдений со многими геостационарными КА. Развертывание на орбите системы из двух КА “Арктика-М” позволяет проводить регулярный круглосуточный мониторинг интересующих объектов.

Ключевой особенностью предложенной методики расчета верхней границы облачности является автоматизированное определение соответствующих друг другу областей на паре снимков.

Апробация методики проведена на примере оценки высоты выбросов пепла в результате извержения вулкана Шивелуч (апрель 2023 года) при помощи данных КА “Арктика-М” и геостационарного КА Himawari-9.

📸Зоны видимости для КА на геостационарной и высокоэллиптической орбитах

Вращение Земли на снимках космического аппарата DSCOVR

Видео от проекта Blueturn, созданное из снимков нашей планеты, полученных космическим аппаратом DSCOVR 29 мая 2017 года, показывает суточное вращение Земли с расстояния 1,5 млн км. На ваших глазах за 4 минуты и 48 секунд Земля совершает полный оборот вокруг своей оси, что соответствует 5 минутам реального времени за 1 секунду видео.

Видео проекта Blueturn можно бесплатно скачать здесь.

FLEX

В декабре прошлого года компания Thales Alenia Space выбрала британский Национальный испытательный комплекс для спутников (National Satellite Test Facility) в Оксфордшире для проведения части работ по сборке и испытаниям спутника FLEX (FLuorescence EXplorer) Европейского космического агентства (ESA).

FLEX предназначен для наблюдения флуоресценции (свечения) хлорофилла*. В ходе фотосинтеза небольшая часть энергии молекулы хлорофилла (3–5 %) рассеивается в виде излучения в диапазоне 650–800 нм (красный – ближний инфракрасный свет). Так как флуоресценция хлорофилла является частью механизма фотосинтеза, то с ее помощью можно более оперативно выявлять влияние на фотосинтез различных стрессовых факторов. Это открывает новые возможности для диагностики функционального состояния растений.

Концепция будущей миссии спутника FLEX была предложена в 2005 году. Подготовительные исследования фазы А проводились с 2006 по 2008 год. Под влиянием проекта FLEX интенсивность исследований в области флуоресценции значительно возросла, постепенно накапливался опыт воздушных и космических наблюдений, появился ряд обобщающих работ, например (Meroni et al., 2009), но сам проект развивался медленно. Лишь в 2015 году ESA приняло решение о запуске FLEX в виде самостоятельной миссии.

Работы по сборке, интеграции и испытаниям спутниковой платформы осуществляет компания Thales Alenia Space. Основной съемочной аппаратурой является спектрометр FLORIS (Fluorescence Imaging Spectrometer), разработанный Leonardo — итальянским оборонным концерном, одним из соучредителей Thales Alenia Space. Предполагается, что пространственное разрешение данных FLORIS составит 300 м, что на порядки лучше имеющихся в настоящее время данных. Запуск FLEX запланирован на 2025 год,

*Точнее, явление называется Solar induced fluorescence (SIF) — солнечно-индуцированная флуоресценция.

📸 Художественное изображение аппарата FLEX

#SIF

На этой неделе мы будем публиковать по одному посту в день, посвященному R, чтобы завершить наконец-то! рассказ о работе с растровыми данными.

Разумеется, будут материалы и на другие темы.

Слияние и изменение размеров растров

Сначала рассмотрим объединение растровых данных на примере двух снимков, полученных в рамках американской программы National Agriculture Imagery Program (NAIP):

nw <- rast("NAIP_CIR_NW.tif")
ne <- rast("NAIP_CIR_NE.tif")

Cнимки должны быть в одинаковой системе координат и иметь равное пространственное разрешение (проверим это с помощью compareGeom()). В нашем случае эти требования выполняются с избытком, так как снимки имеют еще и одинаковый охват.

Функция merge объединяет растровые данные, возвращая новый объект SpatRaster с большим пространственным охватом. В областях, где растры пересекаются, сохраняются значения растра, стоящего первым в последовательности аргументов merge. В случае двух снимков используются значения пикселей первого снимка (nw):

cir <- merge(nw, ne)

Функция mosaic объединяет растры, выполняя над пересекающимися областями заданное действие. По умолчанию, пересечение растров усредняется:

cir.mos <- mosaic(nw, ne, fun = "mean")

Действие над пересечением растров задается в аргументе fun, который может принимать значения: "sum", "mean", "median", "min", "max".

Рассчитать пересечение растров позволяет функция intersect:

isect <- intersect(ne, nw)

Визуально, пересечение почти не видно. Но анализ значений пикселей в любом из каналов isect показывает, что небольшое пересечение все-таки есть:

summary(values(isect[[1]]))
# NAIP_CIR_NE_1   
# Mode :logical   
# FALSE:16699452  
# TRUE :16430

Отметим, что если применить summary сразу к слою isect

summary(isect[[1]])
# NAIP_CIR_NE_1
#  Min.   :0    
#  1st Qu.:0    
#  Median :0    
#  Mean   :0    
#  3rd Qu.:0    
#  Max.   :0    
# Предупреждение:
# [summary] used a sample

то оценка будет выполняться не по всем значениям isect, а по случайной их выборке, о чем нас и предупреждают. При таком подходе пересечения растров выявить не удасться.

crop() уменьшает охват объектов SpatRaster. Задать новый охват можно обычным способом

e.new <- ext(cir) - 500
cir.crp <- crop(cir, e.new)

а можно сделать это интерактивно

plotRGB(cir) # или plot, для одного слоя
# Выберем две точки (противоположные углы)
ex <- draw()
# Обрежем с помощью созданного экстента
cir_crp <- crop(cir, ex)
# Построим обрезанный растр
plotRGB(cir_crp)

Отображаем снимок, запускаем функцию draw и указываем объект, в котором будет сохраняться новый охват (ex). Укажем с помощью мышки две точки в противоположных углах снимка, после чего нажмем Esc, сообщая таким образом, что процедура “рисования” нового охвата завершена. Дальше используем охват ex для обрезки снимка.

Функция extend увеличивает пространственный охват исходного растра:

cir_crp_extd <- extend(cir_crp, ext(cir))

Новые значения растра заполняются пробелами (NA).

#R

Южная Корея планирует запустить в этом году не менее двух разведывательных спутников

Управление программ оборонных закупок (DAPA) Южной Кореи сообщило сегодня, что планирует запустить в этом году два разведывательных спутника, оснащенных радарами с синтезированной апертурой, “чтобы лучше следить за Северной Кореей”. Запуск предполагается осуществить ракетами SpaceX Falcon 9 с космодрома на мысе Канаверал в апреле и в ноябре соответственно.

Кроме того, в декабре планируется запуск южнокорейского разведывательного спутника электронно-оптического и инфракрасного наблюдения. К концу 2025 года Южная Корея собирается вывести на орбиту еще четыре разведывательных радарных спутника.

Заявление DAPA прозвучало спустя несколько дней после того, как Пхеньян пообещал запустить в этом году три разведывательных спутника.

📸 Пуск ракеты-носителя SpaceX Falcon 9 с первым южнокорейским разведывательным спутником 1 декабря 2023 года

#война #корея

Применение функций к слоям данных

К многослойным растровым данным можно применять функции, сопоставляющие набору значений соответствующих пикселей слоев значение пикселя нового слоя.

В качестве примера создадим слой, состоящий из максимальных значений пикселей исходного растра:

img <- rast("KANOPUS_20190829.tif")
# class       : SpatRaster 
# dimensions  : 1440, 2052, 4  (nrow, ncol, nlyr)
# names       : blue, green, red, nir

img_max <- max(img)
# class       : SpatRaster 
# dimensions  : 1440, 2052, 1  (nrow, ncol, nlyr)
# name        : max

(показаны только интересующие нас метаданные).

Выберем пиксели с одинаковым номером (ipix) и посмотрим, какие значения они содержат в разных слоях исходного растра и что получилось после применения функции max:

ipix <- 100000

img_val <- values(img)
img_val[ipix,]
# blue green   red   nir 
#    6    19    30    59
    
values(img_max)[ipix,]
# max 
#  59

Можно применять и другие подобные функции: mean, min, sum. Всякий раз при этом создается новый однослойный растр.

Общая статистика по всем пикселям каждого слоя вычисляется с помощью global(). Вторым ее аргументом является функция, применяемая к слоям растра. Например, вычислим среднее значение пикселей каждого слоя, а затем — среднее всех слоев:

mean_img <- global(img, "mean")
#            mean
# blue   74.30830
# green  76.57495
# red    69.35716
# nir   102.35891

apply(mean_img, 2, mean)
# mean 
# 80.64983

Применяют к растровым данным и статистические функции. Например, гистограмма позволяет изучить распределение значений пикселей каждого слоя. Это помогает обнаруживать выбросы и строить гипотезы относительно данных.

Возьмем фрагмент снимка космического радара Sentinel-1, сделанный в комбинации поляризаций VH (вертикальная-горизонтальная) и построим его гистограмму. В нашем примере слой всего один, так что гистограмма тоже будет одна

sar <- rast("louisiana_SAR.tif")

# гистограмма
#   выборки значений пикселей
hist(sar, main = "Backscattering")
#   всех значений пикселей
hist(values(sar), main = "Backscattering")

Распределение с двумя пиками или модами называют бимодальным. Такое распределение всегда является поводом продолжить исследование, чтобы найти причину, разделяющую наблюдения на два класса.

В нашем случае все просто. На снимке изображена река Миссисипи в штате Луизиана

plot(sar, col = grey.colors(15))

Нижняя часть распределения, с пиком -22.5 дБ, соответствует водным объектам, а верхняя, с пиком -13.5 дБ, представляет сушу.

Разделяя гистограмму по минимуму между пиками (примерно: -20 дБ), получим маску водных объектов

water_mask <- sar < -20
plot(water_mask, col = rev(grey.colors(2)))

Конечно, это еще не готовая маска. На ней много ложных срабатываний. Но самый важный шаг в построении маски уже сделан.

Для выявления выбросов кроме hist можно использовать boxplot. А вот пример послойного центрирования значений растровых данных

img_centered <- scale(img, center = TRUE, scale = FALSE)

Здесь от значения каждого пикселя отнимается среднее значение пикселей соответствующего слоя.

Изучить взаимосвязь между спектральными каналами снимка позволяет матрица диаграмм рассеяния

pairs(img) 

Она считается заметно дольше всех рассмотренных выше функций.

Матрица диаграмм рассеяния показывает тесную попарную связь между каналами видимого света (коэффициент корреляции Пирсона превышает 0,9), и гораздо более слабую связь этих каналов с 4-м каналом — каналом ближнего ИК-излучения (NIR).

#R